Trabalho de R - FIAP

Importando as bibliotecas necessárias

library(tidyverse)
library(readxl)
library(plotly)
library(gmodels)
library(sqldf)

Carregando o arquivo Cadastral para fazer as análises

ds <- read_excel("cadastral.xlsx")
ds

1. Tire uma tabela de frequência usando a função table na variável Sexo. Quantos homens e quantas mulheres têm no arquivo?

table(ds$Sexo)

 Feminino Masculino 
      432       514 

2. Ordenar a variável ID.

ds <- ds[order(ds$ID),]
ds

3. Remova os ID duplicados. Coloque esse arquivo dentro de um objeto chamado A.

A <- unique(ds)
A

4. Já no objeto A. Tire uma tabela de frequência usando a função table na variável Sexo. Quantos homens e quantas mulheres têm no arquivo?

table(A$Sexo)

 Feminino Masculino 
      216       257 

5. Crie uma variável data atual e acrescenta essa variável ao objeto/ arquivo A.

A$data_atual <- Sys.Date()
A

6. Verifique se a variável salario é numérica?

is.numeric(A$salario)

[1] TRUE

7. Mostre o mínimo e o máximo da variável salario.

print(sprintf("Mínimo salário -> %0.2f", min(A$salario)))

[1] "Mínimo salário -> 1575.00"

print(sprintf("Máximo salário -> %0.2f", max(A$salario)))

[1] "Máximo salário -> 13500.00"

8. Crie uma variável faixa de salario com as seguintes quebras: 1574, 3000, 5000, 7000, 13500.

A$faixa_salario <- cut(A$salario, c(1574, 3000, 5000, 7000, 13500),label=c("A","B","C","D"))
A

9. Crie um visualizador/ matriz usando a função View(A). Exatamente esse comando.

View(A)

10. Atribua o arquivo Transacional ao objeto B. E crie um visualizador/ matriz usando a função View(B).

B <- read_excel("transacional.xlsx")
View(B)

11. Crie um objeto chamado consolidado e faça uma união dos arquivos A e B através do Left join. Usando a função do R.

consolidado <- merge(A,B, by='ID', all.x=T)
consolidado

12. Crie uma variável comprometimento de renda usando as variáveis ValorEmprestimo e Salario. Para isso utilize a expressão. (ValorEmprestimo / salario). Quantas variáveis ficaram no arquivo?

consolidado$comprometido_de_renda <- (consolidado$ValorEmprestimo / consolidado$salario)
print(sprintf("Número de colunas -> %0.0f", ncol(consolidado)))

[1] "Número de colunas -> 18"

13. Faça um gráfico de pie usando o pacote plotly. Pode usar qualquer variáveis Explique o gráfico.

fig <- plot_ly(consolidado, labels = ~faixa_salario, values = ~salario, type = 'pie')
fig <- fig %>% layout(title = 'Faixa salarial',
         xaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE),
         yaxis = list(showgrid = FALSE, zeroline = FALSE, showticklabels = FALSE))

fig

#Criei um gráfico de pizza com a variável de faixa salarial:
#      39,2% das pessoas pertecem ao grupo A ([1500 - 3000[)
#      30,7% das pessoas pertecem ao grupo B ([3000 - 5000[)
#      17,7% das pessoas pertecem ao grupo C ([5000 - 7000[)
#      12,4% das pessoas pertecem ao grupo D ([7000 - 13500[)
# Temos praticamente 70% das pessoas com renda salarial de até 5000,00 reais formados pela class A e # B

14. Faça um tabela cruzada usando a função Crosstable do packege gmodels das variáveis sexo e default. Olhando para percentual coluna, quem tem o maior % de inadimplência H ou M? e qual é esse valor.

Cross <- CrossTable(consolidado$Sexo, consolidado$default)

 
   Cell Contents
|-------------------------|
|                       N |
| Chi-square contribution |
|           N / Row Total |
|           N / Col Total |
|         N / Table Total |
|-------------------------|

 
Total Observations in Table:  473 

 
                 | consolidado$default 
consolidado$Sexo |   Adimplente | Inadimplente |    Row Total | 
-----------------|--------------|--------------|--------------|
        Feminino |           49 |          167 |          216 | 
                 |        1.810 |        0.686 |              | 
                 |        0.227 |        0.773 |        0.457 | 
                 |        0.377 |        0.487 |              | 
                 |        0.104 |        0.353 |              | 
-----------------|--------------|--------------|--------------|
       Masculino |           81 |          176 |          257 | 
                 |        1.521 |        0.577 |              | 
                 |        0.315 |        0.685 |        0.543 | 
                 |        0.623 |        0.513 |              | 
                 |        0.171 |        0.372 |              | 
-----------------|--------------|--------------|--------------|
    Column Total |          130 |          343 |          473 | 
                 |        0.275 |        0.725 |              | 
-----------------|--------------|--------------|--------------|

 

print("Quem tem o maior precentual de inadiplência são os homens com 51,30%")

[1] "Quem tem o maior precentual de inadiplência são os homens com 51,30%"

15. Utilizando a biblioteca SQLDF pede-se:
    1. Selecione da tabela consolidado os registros do sexo masculino e que possui um conta particular.
    2. Tira a média de QtdaPagas pela variável Atraso .

sexo_masculino_particular <- sqldf("select * from consolidado where sexo = 'Masculino' and conta = 'Particular'")
sexo_masculino_particular

QtdaPagas_vs_Atraso <- sqldf("select Atraso, avg(QtdaPagas) as media_QtdaPagas from consolidado group by Atraso")
QtdaPagas_vs_Atraso

16. Calcule a expressão numérica: (((√16)/2)3^2)/2(9-2^3),

calculo1 = ((sqrt(16)/2)*3^2)/2*(9-2^3)
calculo1

[1] 9

17. Calcule a expressão numérica: -(-2^{3)+(-〖1)〗}0-(√(25−3^2 ))-5^3/25

calculo2 <- -(-2^3) + (-1)^0 - sqrt(25 - ( 3 ^ 2)) - ( (5 ^ 3) / 25 )
calculo2

[1] 0